松弛模糊C均值聚类算法*

模糊c均值聚类算法(FCM)由于样本模糊隶属度归一性的约束,导致FCM算法对噪声数据敏感。提出松弛模糊C均值聚类算法(RFCM),RFCM算法在可能性c均值聚类算法(PCM)目标函数的基础上,放弃了FCM算法单个样本模糊隶属度归一化约束,转为n个样本模糊隶属度之和为n的约束,并利用粒子群算法对样本模糊隶属度进行优化估计,使得模糊指标可拓展为m>0的情况,同时采用梯度法得到RFCM算法聚类中心迭代公式。RFCM理论分析了算法对噪声数据抗噪的原理,解释了RFCM算法模糊指标m>0的合理性,讨论了RFCM算法的收敛性。基于gauss数据集和UCI数据集的仿真测试验证了所提出算法的有效性。     

空间加权模糊C均值聚类图像分割算法

为了提高模糊C均值聚类(FCM)算法用于图像分割时对噪声的鲁棒性,在FCM算法中引入了图像像素的邻域约束,提出一种空间加权模糊C均值聚类图像分割算法。首先根据邻域像素的模糊隶属度函数值,定义像素分类标记的局部先验概率,然后将该局部先验概率融入标准的FCM算法的目标函数中,从而提出一种空间加权模糊C均值聚类图像分割算法。仿真实验通过合成图像和真实图像验证了该算法的有效性和鲁棒性。     

鲁棒性模糊C-均值聚类算法

针对模糊C-均值聚类算法(FCM)在参数输入受人为限定,且在系统应用中易受噪声或孤立点数据的干扰等缺点,提出一种鲁棒性FCM聚类算法(RFCM),以降低噪声或孤立点的影响。     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

改进模糊聚类算法及其在入侵检测中的应用

针对将数据集隶属度概率和为1的条件用于模糊性事件时,影响聚类的正确率的情况,在不确定理论的基础上,研究了数据隶属度问题,提出一种新的基于隶属关系不确定的可能性改进模糊聚类算法.该算法在迭代过程中将聚类的可能隶属度与不确定性隶属度引入到目标函数中,使得样本中的元素不局限于仅属于一个聚类,与现有的聚类算法相比具有更好的聚类结果.通过在KDDCUP99数据集上实验,验证了该算法在入侵检测中的检测率为95.8%, 分别高于K-均值算法的检测率(60.4%)和FCM算法的检测率(64.6%).     

1种鲁棒的模糊聚类方法

模糊C-means聚类(fuzzy C-means,FCM)未考虑噪音和野值点对聚类的影响,故FCM是欠鲁棒的.为了增强鲁棒性,将FCM中的光滑距离度量改变为非光滑距离度量.由此提出了1种鲁棒的模糊聚类方法(robust FCM,RFCM).为了求解RFCM对应的非光滑优化问题,采用了(majorization-minimization,MM)框架.通过在多个数据集上的实验,将RFCM与传统FCM算法进行对比,表明RFCM比FCM具有更好的聚类效果.     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

Weka平台上距离指数自动寻优的模糊C-均值聚类算法

针对距离计算对模糊C.均值聚类(Fuzzy C-Means,FCM)中心比较敏感的问题,文中提出了一种改进的模糊C.均值聚类算法(Minkowski Fuzzy C-Means,MFCM).MFCM算法采用距离指数可自动寻优的闵可夫斯基距离代替欧氏距离来计算样本集的相似度,以提高数据集的聚类准确率,减小平方误差总和.实验结果表明,Glass数据集、Balance-scale数据集和Vehicle数据集的聚类准确率分别由原来的42.52％、55.84％和45.86％提升到51.87％、62.56％和45.98％.此外,文章在开源数据挖掘Weka平台上实现了FCM和MFCM算法,弥补了Weka平台上集成少量聚类算法的不足.     

基于高斯隶属度的包容性指标模糊聚类算法

基于传统的模糊聚类算法(C-means、FCM),在高斯隶属度函数的基础上给出了包含性指标的定义,提出了基于高斯隶属度的包容性指标模糊聚类算法(fuzzy inclusion-based clustering,FIC)。该方法通过获取高斯隶属度函数的包含性指标,为每个分类确定一个支持距离的半定性矩阵,来保证每个分类到所有数据类的距离和与所有数据类包含度的总和一致。通过UCI中Wine数据集进行了仿真实验,实验结果表明与FCM算法相比较,FIC算法具有更好的有效性和可行性。     

粒子群高斯诱导核模糊C均值聚类算法

为了避免陷入梯度法局部极值以提升模糊聚类算法聚类性能,提出PSO高斯诱导核模糊C均值聚类算法(PSO Gauss-induced kernel fuzzy C-means clustering algorithm,PSO-GIKFCM)。首先将高斯核函数应用于模糊C聚类算法(FCM)目标函数,得到高斯核模糊聚类目标函数。然后在高斯核特征空间和输入空间利用梯度法得到两空间聚类中心,将特征空间聚类中心与样本的内积核矩阵代入输入空间聚类中心,从而得到高斯诱导核的聚类中心。最后在解空间利用粒子群算法(PSO)对模糊隶属度进行寻优估计,并结合目标函数和聚类中心构成PSO-GIKFCM参数估计迭代流程。PSO-GIKFCM算法基于粒子群算法保证其收敛性,聚类中心仅为模糊隶属度的函数,PSO生物进化算法在解空间全局寻找优解,且将模糊指标扩展为大于0的情况。通过仿真实验验证了所提出算法的有效性。     

基于遗传模糊聚类算法的入侵检测研究

针对常用聚娄算法在网络入侵检测中结果不理想的问题,在研究典型模糊C均值聚类算法（FCM）的基础上,提出了一种结合CA与FCM的网络入侵检测算法GFCM,以克服FCM聚类时对初始值敏感、受噪声影响大、容易陷入局部最优等问题,通过在KDD CUP99数据集上对比实验,证明该算法的检测度高,对网络异常攻击行为检测效果较好。     

基于增量式模糊聚类算法的文本挖掘

针对传统模糊聚类算法需要预先确定初始隶属度矩阵的问题,该文提出了基于增量式模糊聚类算法(Incremental fuzzy clustering algorithm, FCLDA)的文本挖掘方法。首先根据文本集中关键词出现次数进行排序,优先选择出现次数多的关键词作为文本集的主题,然后利用隐含狄利克雷分布(Latent Dirichlet allocation, LDA)主题模型构建文档-主题概率分布组成矩阵,将该矩阵作模糊C均值聚类(FCM)算法的隶属度矩阵,并对隶属度矩阵的隶属度值增加一个权值,在FCLDA算法迭代过程中,采用模糊信息熵作为聚类数确定的标准,增加主题词,当模糊信息熵达到最小值时,聚类数确定下来,最后将FCLDA算法应用到网页的文本挖掘中,结果试验表明,相对于FCM算法和K最近邻(K-nearest neighbor)算法,FCLDA算法的运行聚类结果准确率更高,运行速度加快,更适合处理具有模糊性的文本。     

基于对应分析的冗余模糊C均值聚类算法研究

针对模糊C均值聚类（FCM）算法聚类原型最适合于球状类型簇的特点,提出了基于类间分离度和类内紧缩度加权的冗余聚类中心的FCM算法,即先将大簇或者延伸形状的簇（非凸）采用加权FCM算法分割成多个小类（冗余类）,从而规避FCM算法对初始聚类中心敏感的弱点．由于隶属度划分矩阵的元素是每个样本隶属于各冗余类的隶属度值,因此将其作为各冗余类的类特征,通过对应分析得到冗余类的新特征,再次采用加权FCM算法进行冗余类合并,最后达到分类效果．以代表曲线分割和曲面分割分类问题的3个典型数据集为算例,结果表明该方法能够识别不规则的簇,解决了FCM算法对初始聚类中心敏感的缺陷．     

带有深度邻域信息的模糊C均值聚类算法

针对聚类算法用于图像分割时造成的过度分割问题,提出一种带有深度邻域信息的模糊C均值聚类算法(FCM＿DN)．在传统的带有邻域信息的模糊C均值聚类算法基础上,引入类似高斯滤波的权重来表示像素点的位置差异,同时还引入中心点像素值与邻域点像素值之间的差异．相比于只考虑带有像素点之间位置差异的模糊C均值聚类算法,所提出的算法在聚类时可以使用更大的邻域,从而解决过度分割的问题．结果表明：在人造数据集上,本算法对于椒盐噪声和高斯噪声都有较强的鲁棒性;在现实数据上,本算法相比于11个先进算法在四个指标上有两个指标的表现都位于前三;在SED数据集的归一化互信息(NMI)结果对比中,本算法比其他算法高出1.78%～26.90%.     

基于空间可信性聚类的图像分割算法

为解决噪声图像分割问题,提出了基于可信性测度并利用局部空间连续性的模糊聚类算法。采用可信性测度描述隶属度,去除了模糊c均值聚类中各像素对于所有类的隶属度之和为1的约束;并利用相异指标将局部空间信息引入聚类从而增强了抑制噪声的能力。隶属函数的参数可由数据集特点计算,削弱了参数选择的影响。提出预选准则以提高模糊聚类的稳定性。计算复杂度分析和实验验证了算法的可行性与实用性。结果表明:该算法在分割质量和效率等方面优于现有算法,适用于各种噪声图像的分割。     

半监督模糊聚类及其应用

提出了一种拓展的半监督模糊聚类模型,给出求解这个模型的迭代公式.这种半监督聚类能够合理、有效地利用部分已标识样本的类别信息对未标识样本产生影响,从而提高半聚类算法的聚类效果.其隶属度和聚类中心的迭代公式具有和FCM算法一样简洁的表示.在黄瓜数据集上的聚类分析表明,新提出的半监督聚类优于未改进的两种半监督算法、FCM算法和线性判别方法.     

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

在模糊C-均值聚类问题目标函数中使用正则化泛函,将聚类中心解的误差指标引入到模糊聚类的目标函数中,构造出新的模糊C-均值聚类算法RBFCM(Regularization based Fuzzy C-means)算法.算法RBFCM不仅具有较高的聚类精度,且计算结果具有更好的稳定性.进一步,将此RBFCM算法应用于基于T-S模糊模型的系统辨识问题.由于RBFCM算法优化了模糊系统的输入空间划分,提高了隶属度函数的精度,使得后继得到的T-S模糊系统辨识精度也有所提高,且系统辨识过程的收敛速度也有所改善.最后,通过对经典IRIS数据集、带有噪声的IRIS数据集的聚类算例和对Box-Jenkins煤气炉数据集进行辨识算例,验证了RBFCM算法的有效性和优越性.     

引入HMRF模型模糊聚类算法的遥感图像分类性能分析

传统模糊C均值(Fuzzy C-Means, FCM)聚类算法没有充分考虑图像中空间信息的约束作用,导致其对噪声比较敏感。为了改善上述问题,基于隐马尔科夫(Hidden Markov Random Field, HMRF)模型的模糊聚类算法被提出,该文将以遥感图像为研究数据,对该算法的分类结果进行定性评价。     

基于改进模糊C均值聚类算法的云计算入侵检测方法

针对标准模糊C均值聚类算法(FCM)在云计算平台下的入侵检测中存在检测精度不高等问题,提出一种基于目标函数优化模糊C均值聚类算法的云计算入侵检测模型。该模型采用核函数增强FCM算法的寻优能力,根据Mercer核定义优化FCM算法的目标函数,使用拉格朗日数乘法求得聚类中心和隶属度矩阵,有效降低算法的复杂度。研究结果表明:所提出的基于目标函数优化的FCM算法与传统的FCM算法相比,对云计算网络入侵检测的准确率较高,具有更好的收敛性能。     

Parzen窗确定系数的协同模糊C均值算法

协同模糊C均值(collaboration fuzzy C-means,CFC)算法的协同系数通常根据经验人工设定,且在协同过程中保持不变,不能充分利用数据子集之间的协同关系,算法精度有限.提出Parzen窗确定系数的协同模糊C均值(βp-CFC)算法.用模糊C均值(fuzzy C-means,FCM)算法求出各数据子集的隶属度和聚类中心,再用Parzen窗求出各子集在聚类中心处的密度,根据子集间密度的相关性设定变化的协同系数,利用变化的协同系数进行协同聚类.以Matlab为平台,对βp-CFC算法进行了实验,算法聚类准确率可达到80.34%,比模糊C均值算法、固定系数的CFC算法的准确率分别高出11.80%和3.94%.实验证明,βp-CFC算法较为合理,聚类性能较好.